市面上有很多面向銷售和客服人員的語音質檢系統、文本質檢系統，絕大部分產品實際使用的是基于“關鍵詞+正則表達式”的機器質檢系統。

　　這種方法的主要優(yōu)點是部署和上手使用都比較快，主要缺點是存在非常嚴重的漏檢情況。就像一個漏孔很大的篩子一樣，難以滿足企業(yè)對質檢的需求越來越精細、對質檢效率要求越來越高的發(fā)展趨勢。

　　因此，在“關鍵詞+正則表達式”之外，我們開始越來越多地為客戶提供基于“語義點+機器學習”方案，并且在實際使用中為很多質檢項帶來 2~10 倍的效果提升。也就是說，能夠多發(fā)現 2~10 倍的問題。對于企業(yè)而言，這就意味著他們可以更快、更全面地提升服務質量或者實現合規(guī)升級。

　　下一代機器質檢：從關鍵詞到語義點

　　語音和文本質檢的主要任務是找出不合格、不合規(guī)的地方，即減分項，通常也被稱為“負向質檢”(另有一種任務是找出做得好的地方，即加分項，通常也被稱為“正向質檢”)。企業(yè)使用傳統基于“關鍵詞+正則表達式”的產品做質檢，所遇到的最主要問題是“找不全”，通常會漏掉很多不合格、不合規(guī)之處，導致質檢效率大打折扣?？匆粋€實際對比的例子。某互聯網公司的基礎質檢項“服務態(tài)度問題”，在我們的實際應用中：使用傳統“關鍵詞”方案，一天的數據中能找出 13 條，100% 是正確的;使用新的“語義點”方案，能找出 134 條，其中 72% 是對的。所以從最終正確的條數來看，新的“語義點”方案多找出了 8 倍的問題。

　　再看一個實際的例子。“恐嚇威脅”是貸后資產管理領域的基礎質檢項，即催收員不允許在電話里“恐嚇威脅”債務人。在我們的實際應用中：使用傳統“關鍵詞”方案，四天的數據中能找出 316 條，其中 55% 是正確的;使用“語義點”方案，能找出 2203 條，其中 72% 是對的。從最終正確的條數來看，174條對比1596條，新的“語義點”方案能多找出 9 倍的風險。

　　原因其實很簡單。如果使用基于“關鍵詞+正則表達式”的方案，方法是用關鍵詞的組合來涵蓋每個質檢項的不同表達方式——但是你可以寫10個關鍵詞，100個關鍵詞，卻永遠不可能窮盡，因為語言的表達方式是非常多樣的、千變萬化的，必須通過整個句子的上下文語義才能做出更準確的判斷。

　　上下文語義質檢的技術原理

　　語義點+機器學習的方案，目標是訓練一個機器學習算法模型，使之能夠判斷關鍵詞未覆蓋的句子是否命中了質檢項。我們以另一個貸后資產管理領域常見的質檢項“暴露客戶隱私”為例。從標注到訓練模型，再到最后上線使用，新的“語義點”方案大致可以分為三個步驟。第一步，使用我們的“標注工廠”產品，通過人工的方式，將是“暴露客戶客戶”的句子標記為“正例”，將不是“暴露客戶隱私”的句子標記為反例。

　　第二步，將一定規(guī)模的經過標注的正例和反例都“喂”給訓練器，讓訓練器學習到一個算法模型，這個算法就能用來判斷新句子是不是涉嫌暴露客戶隱私。

　　第三步，在質檢產品中，系統就可以標記出所有命中“暴露客戶隱私”語義點質檢項的句子，復檢員可以快速定位到該質檢項所處的位置，迅速進行核實。此外，復檢員每一次復檢的操作，都相當于對算法模型進行了一次反饋，會幫助算法模型變得更準。

　　最終，我們發(fā)現通過“語義點”方案能比關鍵詞的方案多找出數倍的不合格、不合規(guī)之處，達到召回率(找的全)、準確率(找的準)均在 80% 以上的效果。

　　上下文語義質檢的底層邏輯從底層邏輯

　　上看，基于“關鍵詞”的方案是字符級別的，并不關心句子的語義，而基于“語義點”的方案是句子級別的，非常關心句子上下文的邏輯和語義。兩者并不在同一個維度?？梢韵胍?，未來關鍵詞方案越來越難當大任，而語義點的方案會逐步成為主流。

　　不過，語義點方案也有一個顯著的缺點“部署成本高”。為了訓練一個語義點的質檢項，需要人工標注大量句子，然后訓練和調試算法模型。因此，大家并不會立即就把所有質檢項切換到“語義點”方案，而是優(yōu)先把那些最常見的質檢項切換到“語義點”方案。

　　總結循環(huán)智能在教育、金融、互聯網服務等不同行業(yè)數十家客戶的服務經驗，我們發(fā)現質檢項與違規(guī)數的關系也存在“二八法則”——20%的質檢項貢獻了80%的違規(guī)數，所以將最常見質檢項升級到“語義點”方案，即可為整個業(yè)務帶來顯著的效果提升。

　　同時，我們也應該了解到，隨著自然語言處理領域新技術的突破，從字符級“關鍵詞”方案，向句子級“語義點”方案轉換的速度正在加快。過去兩年，自然語言處理領域迎來了繁榮時期。Google 發(fā)表于 2018 年的 BERT 模型，為行業(yè)帶來了全新的技術思路，具有里程碑意義。2019年6月，作為 BERT 模型的一種重要的改進方案，XLNet 模型在 20 個標準任務集上超過 BERT，并且在 18 個標準任務集上取得 state of the art 成果，包括機器問答、自然語言推斷、情感分析和文檔排序等。

　　XLNet 模型由循環(huán)智能聯合創(chuàng)始人楊植麟博士(第一作者)，與谷歌大腦、卡內基梅隆大學共同推出。該模型具備編碼超長序列的能力——簡單理解就是可以更好地理解長句子。2019年末，XLNet 被人工智能領域的頂級學術會議 NeurIPS 2019 接收為 Oral 報告論文(占比 0.5%)。同時，XLNet 也入選了權威的中國人工智能學會《2019人工智能發(fā)展報告》，被稱為 BERT 之后重要的進展之一。

　　循環(huán)智能(Recurrent AI)正是基于原創(chuàng)的、世界前沿的 XLNet 模型，在智能質檢產品中的加速向“語義點”方案轉換，取得遠超傳統方案的效果。過去一年，我們的智能質檢系統獲得多家金融、教育、互聯網服務領域贏得多家標桿客戶的商業(yè)訂單，包括眾安保險、玖富、CBC、華道、你我貸、人人貸、新東方在線、獵聘等。> 下篇預告下一篇關于智能質檢的文章，我們將向大家介紹，在不同的業(yè)務場景下，關鍵詞方案如何與語義點方案高效搭配使用，大幅提升質檢效率。